Professional Documents
Culture Documents
Tese Rosiane Faleiro
Tese Rosiane Faleiro
Tese de Doutorado
Novembro/2013
UNIVERSIDADE FEDERAL DE MINAS GERAIS
Curso de Pós-Graduação em Engenharia Metalúrgica, Materiais e de Minas
Belo Horizonte
Escola de Engenharia
2013
Aos meus amados pais:
Edgar e Roza Helena
AGRADEDIMENTOS:
Aos meus familiares, em especial meus pais Edgar e Roza Helena, minhas irmãs
Letícia e Samara, meu marido Wagner e minha pequena Clara, que são a razão
de todo o meu esforço.
A great problem of this operation type is the low stability, which is due mainly to
variations in the raw materials quality parameters, charcoal especially, being important
to know well theirs characteristics and consequences for the operation.
Vallourec Tubos do Brasil developed Six Sigma projects based in DMAIC methodology
to reduce the variability of raw materials sampling process. In addition, it has been
carrying out studies to reduce hot metal production cost, using historical data on raw
materials consumption and hot metal production in the blast furnaces. Afterwards,
these data are turned into information that can be used to evaluate production cost and
achieve better planning and results for the company. These studies allowed the
development of a statistical approach to predict charcoal consumption in blast furnaces
based on Response Surface Models (RSM) and Linear Regression Models (LRM).
The developed models in this work provide a high level of confidence and allow the
company to act preemptively fostering innovative business and in the action plan to
reduce hot metal production cost, to improve raw materials processing and other
actions in order to provide the blast furnaces with raw materials at minimal cost. It is
special particularity and represents a great step in Vallourec Tubos do Brasil blast
furnaces’ operation which no longer uses standard ferrous load and started to operate
with greater flexibility and variability concerning the types of ferrous load applied to
achieve better economic results.
i
SUMÁRIO
1. INTRODUÇÃO ........................................................................................................... 1
2. OBJETIVOS .............................................................................................................. 4
3. REVISÃO BIBLIOGRÁFICA ...................................................................................... 5
3.1. Alto-forno.................................................................................................................. 5
3.1.1. Aspectos internos ........................................................................................... 7
3.1.2. Princípio ....................................................................................................... 10
3.1.3. Funções da carga sólida............................................................................... 10
3.1.4. Características dos altos-fornos da Vallourec Tubos do Brasil ..................... 12
3.2. Controle operacional e de processo do alto-forno .............................................. 13
3.2.1. Modelos de controle operacional .................................................................. 14
3.2.2. Modelos para previsão do teor de silício ....................................................... 15
3.2.3. Modelos para controle do nível térmico ........................................................ 17
3.2.4. Modelos CFD ............................................................................................... 18
3.2.5. Modelos para controlar ou prever o consumo de redutor .............................. 18
3.3. Qualidade das matérias-primas ............................................................................ 23
3.3.1. Origem da heterogeneidade atual do carvão vegetal .................................... 24
3.3.2. Avaliação da qualidade................................................................................. 26
3.4. Metodologias Estatísticas ..................................................................................... 27
3.4.1. Superfície de Resposta e Regressão ........................................................... 27
3.4.2. ANOVA Hierárquica ...................................................................................... 32
4. METODOLOGIA DE TRABALHO ........................................................................... 34
4.1. DMAIC (Define, Measure, Analyse, Improve, Control) ......................................... 34
4.2. Redução da variabilidade inerente à amostragem .............................................. 34
4.2.1. Carvão vegetal ............................................................................................. 34
4.2.2. Minério de ferro ............................................................................................ 38
4.3. Modelamento estatístico do consumo de carvão vegetal ................................... 40
4.3.1. Base de dados ............................................................................................. 40
4.3.2. Modelos de superfície de resposta (MSR) .................................................... 44
4.3.3. Modelos de regressão linear......................................................................... 45
5. RESULTADOS E DISCUSSÃO ............................................................................... 46
5.1. Análise descritiva dos dados ................................................................................ 46
5.2. Redução da variabilidade inerente às amostragens ........................................... 64
5.3. Modelos da “Etapa 1” - dados de 2003 a 2010 ..................................................... 66
5.4. Modelos da “Etapa 2” - dados de 2003 a 2011 ..................................................... 82
5.4.1. Fatores para corrigir as qualidades do carvão vegetal e da carga ferrosa .... 97
ii
LISTA DE FIGURAS
Figura 5.28: Curvas de níveis do Alto-Forno 1 (chuva) com produção diária variando de
700 a 900t de ferro-gusa – “Etapa 2”......................................................... 89
Figura 5.29: Curvas de níveis do Alto-Forno 1 (chuva) com produção diária variando de
1.000 a 1.200t de ferro-gusa – “Etapa 2”. .................................................. 90
Figura 5.30: Curvas de níveis do Alto-forno 1 (seca) com produção diária variando de
700 a 900t de ferro-gusa – “Etapa 2”......................................................... 91
Figura 5.31: Curvas de níveis do Alto-Forno 2 (chuva) com produção diária variando de
300 a 400t de ferro-gusa – “Etapa 2”......................................................... 92
Figura 5.32: Curvas de níveis do Alto-Forno 2 (chuva) com produção diária variando de
500 a 600t de ferro-gusa – “Etapa 2”......................................................... 93
Figura 5.33: Determinação do percentual de pelotas na carga ferrosa em função da
produção diária (t) de ferro-gusa do Alto-Forno 1 – “Etapa 2”. .................. 95
Figura 5.34: Determinação do percentual de pelotas na carga ferrosa em função da
produção diária (t) de ferro-gusa do Alto-Forno 2 – “Etapa 2”. .................. 95
Figura 5.35: Estimativa do consumo de carvão vegetal de topo (kg/t gusa) do Alto-Forno
1 em função do percentual de pelotas na carga ferrosa – “Etapa 2”. ........ 96
Figura 5.36: Estimativa do consumo de carvão vegetal de topo (kg/t gusa) do Alto-Forno
2 em função do percentual de pelotas na carga ferrosa – “Etapa 2”. ........ 96
Figura 5.37: Fatores de correção do consumo de carvão vegetal de topo em função da
variação da qualidade da carga ferrosa do mix dos altos-fornos da
Vallourec Tubos do Brasil. ........................................................................ 98
Figura 5.38: Fatores de correção do consumo de carvão vegetal de topo em função da
variação da qualidade do carvão vegetal do mix dos altos-fornos da
Vallourec Tubos do Brasil. ........................................................................ 98
Figura 5.39: Diferenças entre os consumos de carvão vegetal de topo reais x
estimativas dos modelos desenvolvidos nas “Etapas 1 e 2”. ..................... 99
vi
LISTA DE TABELAS
LISTA DE NOTAÇÕES
AF = alto-forno
AF1 = Alto-Forno 1
AF2 = Alto-Forno 2
β = coeficientes de regressão
B2 = basicidade binária
CFD = Computational Fluid Dynamics
Ci = coeficiente de correlação da variável i (“Fórmula de Flint”, equação 3.7)
CR = consumo específico de carbono (kg/t gusa) (“Fórmula de Flint”, equação 3.7)
CV = carvão vegetal
CVG = carvão vegetal grosso (32 a 125mm)
CVM = carvão vegetal médio (10 a 32mm)
ε = erros com distribuição Normal, média 0 e desvio-padrão σ
H0 = hipótese nula
H1 = hipótese alternativa
IC = intervalo de confiança
K = constante de regressão específica para cada alto-forno (“Fórmula de Flint”, equação
3.7)
LRM = Linear Regression Models
MSR = Modelo de Superfície de Resposta
MRL = Modelo de Regressão Linear
PCI = Pulverized Coal Injection
r = coeficiente de correlação
R2 = coeficiente de determinação múltipla
RDI = Reduction Degradation Indices
RSM = Response Surface Models
Vi = variável i que afeta o consumo de carbono (“Fórmula de Flint”, equação 3.7)
Xi = variável explicativa / fator
Yi = variável resposta
viii
RESUMO
ABSTRACT
Hot metal manufacturing process in charcoal blast furnaces, besides complex, represents
the largest cost of an integrated plant due to the high prices of the raw materials.
A great problem of this operation type is the low stability, which is due mainly to variations
in the raw materials quality parameters, charcoal especially, being important to know well
theirs characteristics and consequences for the operation.
Vallourec Tubos do Brasil developed Six Sigma projects based in DMAIC methodology to
reduce the variability of raw materials sampling process. In addition, it has been carrying
out studies to reduce hot metal production cost, using historical data on raw materials
consumption and hot metal production in the blast furnaces. Afterwards, these data are
turned into information that can be used to evaluate production cost and achieve better
planning and results for the company. These studies allowed the development of a
statistical approach to predict charcoal consumption in blast furnaces based on Response
Surface Models (RSM) and Linear Regression Models (LRM).
The developed models in this work provide a high level of confidence and allow the
company to act preemptively fostering innovative business and in the action plan to
reduce hot metal production cost, to improve raw materials processing and other actions
in order to provide the blast furnaces with raw materials at minimal cost. It is special
particularity and represents a great step in Vallourec Tubos do Brasil blast furnaces’
operation which no longer uses standard ferrous load and started to operate with greater
flexibility and variability concerning the types of ferrous load applied to achieve better
economic results.
1
1. INTRODUÇÃO
A Vallourec Tubos do Brasil está conduzindo estudos para reduzir o custo de produção
de ferro-gusa, utilizando dados históricos de consumo de matérias-primas e produção
dos altos-fornos, e transformando-os em informação que a todo o momento pode ser
usada para avaliar o custo de produção e conseguir um melhor planejamento e resultado
para a empresa. Esta flexibilidade tem sido fundamental para minimizar os custos,
principalmente frente a um cenário de aumento constante dos preços de matérias-primas.
De um modo geral, no mercado são definidas cargas ferrosas padrão para os altos-fornos
(por exemplo: 70% de sinter, 10% de pelota e 20% de minério), e a operação mantém
constantes esses percentuais de cargas. Esse trabalho representa um grande passo na
operação dos altos-fornos, com um diferencial para a Vallourec Tubos do Brasil, que
deixou de trabalhar com carga ferrosa padrão e começou a operar com maior flexibilidade
e variabilidade de tipo de carga usada para alcançar melhores resultados econômicos.
Trabalhando dessa maneira, passou-se a avaliar a carga ferrosa do alto-forno com maior
frequência, e, a cada quinze dias, os altos-fornos operavam com percentuais de cargas
ferrosas diferentes para atender ao custo. Sendo assim, a Vallourec Tubos do Brasil
passou a trabalhar com o custo minimizado.
Nesse trabalho foram elaborados modelos estatísticos com bom nível de confiança para
prever o consumo de carvão vegetal em altos-fornos fundamentados nas metodologias
de Superfície de Resposta e Regressão Linear (MONTGOMERY, 2004). Com base nas
características de qualidade e nas variações esperadas das matérias-primas e suas
interações, os modelos permitem prever o custo de produção de ferro-gusa, a atuação
preventiva da empresa para tornar o negócio inovador e auxiliam no planejamento de
3
ações para reduzir o custo de produção de ferro-gusa, como por exemplo: lavrar a mina
de minério de ferro em outra região, buscar carvão vegetal de outras fazendas, negociar
contratos, ter visibilidade das matérias-primas que serão utilizadas, do preço da carga
ferrosa que pode pagar, dentre outras ações para se trabalhar no abastecimento dos
altos-fornos com matérias-primas com custo mínimo.
4
2. OBJETIVOS
Os demais objetivos são: i) desenvolver modelos que permitam simular cenários que
tragam maior competitividade às operações dos altos-fornos a carvão vegetal; ii)
quantificar a heterogeneidade do carvão vegetal e do minério de ferro; iii) desenvolver
modelos estatísticos que elevem o índice de acerto para o planejamento macro da
produção de ferro-gusa convivendo com a heterogeneidade das matérias-primas.
5
3. REVISÃO BIBLIOGRÁFICA
3.1. Alto-forno
Estes materiais, conhecidos como carga sólida, são carregados pelo topo na temperatura
ambiente e, na descida, são transformados pela ação dos gases ascendentes,
provenientes da reação de combustão do carbono dos redutores com o oxigênio do ar de
combustão aquecido (500 a 1.200°C ou mais) soprado pelas ventaneiras, enriquecido ou
não com oxigênio.
O CO2 formado nesta região de alta temperatura reage novamente com o carbono do
redutor formando o monóxido de carbono (2CO). Esta reação (3.2) altamente
endotérmica é conhecida como “Solution loss” ou “Boudouard”:
Embora as reações 3.2 e 3.3 sejam endotérmicas, ou seja, absorvem calor, o resultado
efetivo associado à saída de gases redutores é o aporte de grandes quantidades de calor
fornecido para a seqüência do processo, gerando uma temperatura de chama na região
que excede 1.850°C. Durante o restante do seu caminho pelo alto-forno, o gás
ascendente suprirá calor para as camadas de carga metálica descendentes, saindo no
topo do forno ainda com temperaturas acima de 100°C (VELLOSO, 2006).
6
Também ocorrem reações da carga ferrosa com o redutor. No interior do alto-forno estão
reagindo sólidos, líquidos e gases. A temperatura varia de 150°C no topo até cerca de
2.100°C nas regiões inferiores.
Apesar de o alto-forno ser um equipamento que tem sido utilizado desde o século XV,
somente nos meados do século XIX os fenômenos químicos e físicos, que ocorrem
dentro do alto-forno, começaram a ser entendidos. Com base em estudos de dissecação
de altos-fornos realizados na década de 1970 no Japão, onde altos-fornos em operação
foram congelados, além de sondagens com fornos em operação e diversos outros
estudos em vários países, três zonas internas principais nos altos-fornos foram definidas
(CASTRO, 2002). As características principais de cada zona interna do alto-forno são
descritas a seguir e mostradas esquematicamente na Figura 3.2.
De acordo com CASTRO (2002), essa divisão não invalida o modelo operacional dos
franceses que divide o alto-forno em zona de preparação e zona de elaboração. Como a
zona de amolecimento e fusão começa em torno de 1.050 ºC e a zona de preparação
termina a 950 ºC (coque) ou 800 ºC (carvão vegetal), a zona de preparação está toda
contida na zona granular e a zona de elaboração é composta por uma parte da zona
granular, toda a zona de amolecimento e fusão e toda a zona de gotejamento. A Figura
3.3 ilustra essas divisões ao longo de duas regiões do forno junto à parede e no centro.
9
Quanto maior for a eficiência de redução da carga ferrosa na zona de preparação, menor
será o consumo de carbono (kg/t gusa). Dentre os fatores que influenciam nessa
eficiência estão: i) o contato gás-sólido na zona de preparação em função da
granulometria dos materiais; ii) a qualidade da carga ferrosa, principalmente a
redutibilidade); iii) a temperatura da zona de preparação e iv) o tempo de residência da
carga ferrosa na zona de preparação (CASTRO, 2002).
10
3.1.2. Princípio
Para permitir a fabricação de ferro-gusa com qualidade, a carga sólida carregada no alto-
forno possui determinadas funções.
O redutor, carvão vegetal e/ou coque, além da função de remover o oxigênio da carga
ferrosa a partir do carbono, atua como fonte de energia (calor + reserva térmica),
estrutura de sustentação da carga e é o principal responsável pela permeabilidade do
processo, pois ocupa cerca de 80% do volume da carga do alto-forno. É o material de
menor densidade e o único que chega à baixa cuba no estado sólido, sendo fundamental
11
possuir qualidade adequada e que a sua forma e tamanho sejam preservados até ser
queimado na região das ventaneiras (CRUZ e BARROSO, 2007).
Como fonte do metal (Fe) a ser extraído, o alto-forno utiliza como carga ferrosa o minério
de ferro em forma de granulados (6 a 32mm) e/ou aglomerados de finos de minérios, na
forma de sinter ou pelotas. Esses produtos trazem consigo impurezas combinadas
química ou fisicamente, como a (SiO2) e a alumina (Al2O3), compostos que apresentam
elevados pontos de fusão (1.710°C e 2.030°C, respectivamente) e que fundidas formarão
a escória, um produto composto de silicatos complexos que será separada do ferro-gusa
durante a operação de vazamento do alto-forno.
Os fundentes são utilizados para controlar o teor das impurezas no ferro-gusa e para
facilitar a separação do ganga do minério de ferro, conferindo às escórias uma proporção
adequada de seus quatro óxidos principais (CaO – MgO – SiO2 – Al2O3) variando em
quantidade e tipo, em função da composição química do restante da carga. Os principais
fundentes são: quartzo (fonte de SiO2), calcário (fonte de CaO) e dolomita (fonte de CaO
e MgO). A tendência é que se exija a presença desses óxidos nos aglomerados para
minimizar ou eliminar o carregamento dos fundentes diretamente no alto-forno.
Redutores, carga ferrosa e fundentes são carregados camada por camada pelo topo do
alto-forno, e requerem de 6 a 8 horas para descer até a região inferior, onde chegam
transformados em ferro-gusa e escória e são drenados em intervalos regulares. A
descida da carga sólida procede de forma gradual devido à combustão do redutor, fusão
e amolecimento dos óxidos de ferro. Tanto o carregamento quanto a descida da carga
são continuamente monitorados por sonda mecânica ou radar. Os gases formados na
região interior do forno, onde o ar quente é soprado, ascendem rapidamente (6 a 8
segundos) até o topo, em contracorrente com os sólidos que descem, após participar de
inúmeras reações químicas.
12
Os valores desses parâmetros são obtidos somente após a ocorrência de fenômenos que
ocasionaram a redução do nível térmico do alto-forno, ou seja, servem para confirmação
do estado térmico causando algum atraso na execução de contramedidas necessárias
para promover as devidas correções. Outros parâmetros utilizados são:
É necessário manter o nível térmico sob controle, mas muitas vezes torna-se necessário
utilizar-se de recursos para controlar e corrigir o nível térmico de um alto-forno, como por
exemplo, alterar a vazão de vento e da temperatura de chama para corrigir a
anormalidade.
A previsão de silício tem se tornado uma significante e grande prática através de modelos
analíticos, correlações entre variáveis, redes neurais, análise de séries temporais não-
lineares, mínimos quadrados parciais e modelos de regressão.
Ainda de acordo com ZENG et al. (2008), muito estudo tem sido feito sobre esse assunto,
entre eles estão modelos estocásticos como os modelos de regressão, modelos neurais e
modelos determinísticos como modelos matemáticos. Estes modelos podem produzir
bons resultados em algumas situações e não tão bons em outras. Como os processos de
larga escala industrial são influenciados por vários tipos de ruído, modelos com
combinações estocásticas e determinísticas podem ser mais robustos. Por essa razão,
ZENG et al. (2008) adotaram em seu trabalho o algoritmo sub-espaço para identificação
determinística e estocástica para estabelecer um modelo de previsão, considerando o
teor de silício como uma variável de saída, e como variáveis de entrada: quantidade,
16
PAN et al. (2010) também consideram a previsão de teor de silício no ferro-gusa uma
etapa importante no controle de processo dos altos-fornos na redução de custos e
melhoria da eficiência. Segundo eles, como o processo é muito complexo, o desempenho
dos ajustes dos modelos de previsão diminuiu quando a produção é instável, o que
significa perda de muita informação valiosa contida nessas variáveis. Atualmente, os
resíduos do modelo consistem de duas partes: informação não modelada e ruído. Nesse
artigo, um tipo de modelo de regressão com autocorrelação e variâncias não constantes
para as observações (heterocedasticidade) é utilizado para prever o teor do silício no
ferro-gusa e os resíduos foram modelados pelo filtro de Kalman (WELCH e BISHOP,
2006), usado para separar a informação não modelada do ruído, que captura a
informação e a incorpora dentro do modelo original. O método proposto foi testado nos
dados coletados de um alto-forno de tamanho médio, e os resultados da simulação
mostraram que o filtro de Kalman melhora bem a acurácia do modelo de regressão.
SHUR (2008) considera a modelagem matemática como uma ferramenta para estudar o
processo de fabricação de ferro-gusa em altos-fornos, considerando as leis que
governam as dinâmicas do estado térmico do alto-forno e baseado na frase do físico I.
Pomeranchuk: “Para construir uma teoria, é necessário executar um experimento. Porém,
para saber que experimento executar, é necessário construir uma teoria”. Para ele, o uso
efetivo da modelagem matemática na área requer interagir modelos diferentes de
complexidade diferenciada e considera dois modelos, um para pesquisadores (modelo
teórico) e outro para operadores (modelo baseado em experimentos), levando em conta
os três fenômenos que considera serem os mais importantes: redução do ferro,
gaseificação do carbono e troca de calor.
Outra técnica que tem sido muito utilizada para modelagem matemática e física é a
denominada CFD, do inglês Computational Fluid Dynamics. Basicamente, a tecnologia
CFD consiste na solução computacional por métodos numéricos das equações
diferenciais de Navier-Stokes que regem a mecânica de fluidos. O equacionamento e
modelagem dos fenômenos de transferência de calor e combustão são incorporados nas
soluções tornando o CFD aplicável aos equipamentos industriais e capaz de simular
diversos processos.
FRANÇA et al. (2009) utilizaram modelos CFD e redes neurais artificiais com o propósito
de antever, prever e quantificar parâmetros importantes para previsão do comportamento
e o conhecimento dos fenômenos que ocorrem no processo do alto-forno. Um modelo
CFD foi utilizado para analisar a sensibilidade da produção diária e a razão CO/CO 2 aos
parâmetros: temperatura de sopro, enriquecimento de O2 no sopro e porcentagem de
sinter na carga. Os dados obtidos com a simulação em CFD foram utilizados para treinar
duas redes neurais para previsão de resultados do alto-forno.
Uma das etapas mais importantes de SOARES et al. (2009) foi determinar as variáveis
mais relevantes para o controle do nível térmico. Com base em revisão bibliográfica,
entrevistas com os profissionais responsáveis pela gestão e operação do alto-forno,
utilização de funções de autocorrelação e correlação cruzada, foi possível determinar que
as variáveis mais importantes são: carregamento de carvão, minério e quartzo;
características do gás de topo (rendimento do gás e concentração de H2); variáveis de
sopro (temperatura de chama, vazão e umidade do ar e injeção de carvão) e algumas
características das matérias-primas, como umidade e teor de carbono fixo do carvão
vegetal.
n
CR K Ci Vi (3.7)
i 1
Onde:
0,013
C16 2
57 x0,5 (3.8)
%S / 100 0,232 %Si / 100 0,00009
0,002
C16 2
20 x0,5 (3.9)
%S / 100 0,232 %Si / 100 0,00022
(3.10)
Sendo:
Y1 = consumo específico de carbono, kg/t gusa;
X11 = peso da carga por tonelada de ferro-gusa, kg/t gusa;
X13 = temperatura média do ar soprado, K;
X14 = percentual de cinza no coque, %;
X1 = consumo específico de sínter, kg/t gusa;
X10 = consumo específico de calcário, kg/t gusa;
X9 = percentual do minério de ferro abaixo de 12 mm, %;
X3 = redutibilidade do sinter, %;
R2 = coeficiente de determinação simples
23
Para atender ao objetivo de produzir cada vez mais a um custo cada vez menor, cresce a
demanda dos altos-fornos por matérias-primas elaboradas. Mineradoras e usinas
siderúrgicas passaram a implantar processos de beneficiamento de matérias-primas
buscando melhor preparação das cargas através da formação de blends, secagem e
melhor classificação granulométrica.
A elevada incerteza física e química do carvão vegetal, o uso de minério de ferro com
significativa heterogeneidade física e química, a grande influência do clima na qualidade
do redutor e as incertezas amostrais e analíticas das matérias-primas, fazem com que o
atendimento aos parâmetros de qualidade seja complexo, e, para obter uma análise
precisa dos resultados, a amostra a ser coletada precisa ser muito grande, o que passa a
ser uma dificuldade prática. Tudo isso dificulta o uso de modelos termoquímicos. Até que
essa variabilidade seja minimizada com melhores tecnologias de carbonização e recursos
para beneficiamento das matérias-primas, faz-se necessário a utilização de ferramentas
estatísticas (SAMPAIO et. al., 2006).
Projetos do programa Seis Sigma foram desenvolvidos na Vallourec Tubos do Brasil para
quantificar e reduzir a variabilidade inerente ao processo de amostragem de carvão
24
vegetal e minério de ferro a fim de se obter resultados mais confiáveis. Através desses
trabalhos, estimou-se que cerca de 20% da variabilidade total desses materiais se deve
aos procedimentos de amostragem (coleta, preparação e análise).
Segundo SAMPAIO et. al. (2006), a heterogeneidade do carvão vegetal teve origem com
a demanda da logística para o atendimento da produção de grandes toneladas de carvão
vegetal, o que implicou na mecanização das unidades de reflorestamento, colheita e
carbonização e no desenvolvimento de grandes unidades produtoras de carvão vegetal
como mostra a Figura 3.4. A enorme heterogeneidade granular e geométrica do carvão
vegetal é a principal dificuldade na realização de testes, principalmente os metalúrgicos.
A obtenção de uma amostra de carvão vegetal representativa do lote de interesse é uma
tarefa árdua e não dominada, pois o tamanho dessas amostras precisa ser muito grande.
Trippers com 3 a 6 m3
GRANULADO
Finos sujos Varios silos com 1000 m3 cada
OU
Antes da mecanização da colheita, SAMPAIO et. al. (2006) define a fonte de madeira
heterogênea, com densidade mais alta, em formato de pequenos troncos de madeiras
não cilíndricos. Com colheita manual, o transporte era feito em caminhões pequenos e as
unidades de carbonização também eram pequenas: fornos, lotes e produções menores.
O carvão vegetal era vendido por volume e os finos não eram carregados. Era conferido
e com alto padrão de qualidade, principalmente para os itens densidade a granel,
umidade, finos e carbono fixo. As etapas realizadas na colheita, no transporte e na
descarga permitiam a homogeneização do material. O carvão vegetal era transportado
em pequenos caminhões dentro de pequenos sacos. Para encher os sacos, eram
utilizados garfos e o carvão vegetal era quebrado em pedaços para permitir melhor
enchimento, com cuidado para não gerar finos, uma vez que o interesse era o volume e
não o peso. Durante o processo de recebimento dos caminhões, era possível avaliar
visualmente a qualidade do carvão vegetal e coletar diversos incrementos para formar a
amostra que representava bem o carvão vegetal daquele caminhão. Também era
possível retirar os finos ricos em contaminação através de uma classificação
granulométrica do carvão vegetal nos silos, utilizando grades, e depois no peneiramento.
Ainda de acordo com SAMPAIO et. al. (2006), com a necessidade de atender à produção
de grandes tonelagens, foi necessário desenvolver grandes unidades produtores de
carvão vegetal. Com isso, passou-se a ter uma madeira homogênea com as plantações
de clones idênticos, e a utilização de grandes pedaços de madeira em formato mais
cilíndrico e menos granular. No entanto, o processo de carbonização tornou-se muito
heterogêneo, com fornos grandes, mecânicos e a utilização de lenhas compridas gerando
boa parte de tiço. A assimetria dos fornos retangulares utilizados no processo de
carbonização provoca a heterogeneidade da temperatura dentro dos mesmos. A falta de
rigor no manuseio e na estocagem permite elevar a umidade, a geração de finos e a
variabilidade geométrica e química do carvão vegetal.
Não existe ainda uma definição precisa e contundente para a qualidade siderúrgica do
carvão vegetal devido principalmente à natureza de seu processo de produção e à
elevada heterogeneidade resultante dos processos atuais de carbonização. Testes para
esse tipo de avaliação da qualidade ainda estão em desenvolvimento com o uso de
testes similares aos utilizados para o coque. Ainda será necessário muito experimento e
26
Fe, SiO2, Al2O3, Mn e P, os quais são utilizados para cálculo do balanço de massa e
avaliação da escória.
Para análise granulométrica da carga ferrosa, também são importantes o tamanho médio,
em mm, e o percentual de finos (para os altos-fornos da Vallourec Tubos do Brasil, a
fração inferior a 6,35mm). A distribuição granulométrica está relacionada com os índices
de permeabilidade da coluna de carga e fluxo gasoso.
y 0 x
1 1 2 x2 ... k xk (3.11)
k k
y 0 jxj ij xi x j jj x 2j
j 1 i j j 1
(3.12)
(3.13)
sendo:
29
y2 1 x 21 x 22 ... x 2 k 1 2
. . . . . .
, , e
. . . . . .
. . . . . .
yn 1 x n1 xn 2 ... x nk k n
^
1
( ' ) ' (3.14)
constantes.
Para determinar se existe uma relação linear entre a variável resposta e um subconjunto
de variáveis (ou fatores), realiza-se o teste para a significância da regressão. As
hipóteses nula (H0) e alternativa (H1) são:
H0 : 1 2 ... k 0
H1 : j 0 para no mínimo um j .
Rejeitar a hipótese nula significa que no mínimo uma das variáveis explicativas contribui
significativamente para o modelo.
30
(3.15)
sendo:
Geralmente, esses termos respectivamente são chamados de: soma quadrática total,
soma quadrática da regressão e soma quadrática do erro ou residual. Sendo assim, a
equação 3.15 pode ser escrita como:
A SQT corrigida tem n 1 graus de liberdade. Se a hipótese nula for verdadeira, então
2
SQR / é uma variável aleatória com distribuição qui-quadrado com k (número de
2
variáveis ou fatores) graus de liberdade, SQE / é uma variável aleatória com
distribuição qui-quadrado com n p graus de liberdade e SQE e SQR são
independentes.
MQ R SQR SQE
F0 , onde MQ R e MQE (estimativa de mínimos quadrados da
MQ E k n p
variância dos resíduos) (3.17)
A hipótese nula é rejeitada se o valor da estatística de teste (F0) for maior do que o valor
f ,k ,n p determinado usando a distribuição F de Fisher e Snedecor e cuja área acima de
H0 : j 0
H1 : j 0
A estatística de teste é:
T0 (3.18)
2
C jj
do teste ,
SQR SQE
R2 1 , 0 R2 1. (3.19)
SQT SQT
(3.20)
(3.21)
, e (3.23)
4. METODOLOGIA DE TRABALHO
FASES: OBJETIVOS:
No ano de 2006 foi desenvolvido um projeto do programa Seis Sigma na Vallourec Tubos
do Brasil intitulado como “Desenvolvimento de uma técnica de amostragem de carvão
vegetal mais representativa”. Os objetivos desse projeto eram determinar a variabilidade
inerente ao material (qualidade e heterogeneidade) e ao método utilizado na amostragem
do carvão vegetal e reduzir em 30% a variabilidade devido ao processo de coleta,
preparação e análise do carvão vegetal (método), conforme ilustrado na Figura 4.1. A alta
35
depois
antes
...
Balança
Silo
Por exemplo: para a carreta 1 coleta-se na rotina uma amostra (Amostra 1). Durante o
experimento, para quantificar o erro de coleta da amostragem, foram coletadas duas
amostras semelhantes (Amostras 1 e 2). Na rotina, a Amostra 1 é quarteada e preparada
e obtém-se os resultados da Amostra 1 com a Análise 1. Durante o experimento, a
Amostra 1 foi quarteada e preparada gerando duas amostras semelhantes para análise:
Análise 1 (rotina, em verde) e Análise 2 (fora da rotina, em laranja). Para a Amostra 2,
foram feitos os mesmos procedimentos, gerando também duas amostras semelhantes
para análise: Análise 1 e Análise 2 (ambas fora da rotina, em laranja). Essas divisões
permitem quantificar os erros inerentes à preparação e à análise da amostragem
separadamente. A variabilidade entre as carretas é a variabilidade própria do carvão
vegetal, sem o efeito da amostragem.
Em 2008 foi desenvolvido um novo projeto do programa Seis Sigma na Vallourec Tubos
do Brasil com objetivo de revisar a metodologia de amostragem de minério de ferro. Isso
porque havia divergência entre os resultados de análise química e granulométrica
enviados pelo fornecedor e os resultados obtidos na Vallourec Tubos do Brasil, os quais
são utilizados para o cálculo do leito do alto-forno que determina a composição química
do ferro-gusa produzido.
Para avaliar a situação atual da amostragem dos minérios de ferro na Vallourec Tubos do
Brasil, foram realizadas visitas à área, brainstorming com os operadores responsáveis
pelas atividades de coleta, preparação e análise (física e química), comparação dos
padrões operacionais existentes com normas técnicas (BS 5660, NBR 5734, NBR 8856,
NBR 8956, ISO 3082, ISO 3084, ISO 3085 e ISO 3086) e bibliografias relacionadas ao
assunto, além de visitas técnicas a outras empresas para conhecer melhores práticas de
amostragem.
Por exemplo: foram coletadas duas amostras semelhantes para o Caminhão 1: Amostra
1 e Amostra 2, para quantificar o erro de amostragem inerente à coleta. A Amostra 1 foi
quarteada e dividida em duas: uma parte foi utilizada para realizar análise de
granulometria (Granulometria 1) e a outra parte foi utilizada para a análise de umidade
(Umidade 1). Após obter o valor da umidade, todo o conteúdo da amostra Umidade 1 foi
homogeneizado e quarteado em duas sub-amostras: Sub-amostra 1 e Sub-amostra 2.
Obteve-se a análise química de cada sub-amostra. Os mesmos procedimentos foram
repetidos para a Amostra 2 do Caminhão 1. Essas repetições e subdivisões permitiram
quantificar os erros inerentes à preparação e à análise da amostragem separadamente. A
variabilidade entre os caminhões é a variabilidade própria do minério de ferro, sem o
efeito da amostragem.
Como a Vallourec Tubos do Brasil possui dois altos-fornos com características bem
distintas, faz-se necessário trabalhar com informações de cada alto-forno e ajustar
modelos específicos para cada um.
Sendo assim, o banco de dados é composto por cerca de 3.000 linhas de dados diários
dos altos-fornos.
Na preparação dos dados, assim como foi feito na “Fórmula de Flint” (FLINT, 1952),
foram excluídos os “outliers”, que são os dias em que ocorreram desligamentos ou
religadas dos altos-fornos, uma vez que poderiam interferir na adequação dos modelos
ajustados.
Os dados divulgados nesse trabalho estão baseados nos dados que foram divulgados
nos “Encontros de Especialistas em Altos-Fornos a Carvão Vegetal” de números 55 a 73.
Variáveis: Unidade
Resposta:
Consumo de Carvão Vegetal de Topo (kg/t gusa)
Variáveis:
Produção (t gusa/dia)
Taxa de Injeção de Carvão Vegetal (kg/t gusa)
Tipo de Minério de Ferro (%)
Pelota (%)
Figura 4.6: Balanço de massas do carvão vegetal utilizado na rotina da Vallourec Tubos
do Brasil.
Tabela IV.3: Exemplos de 20 cenários do AF1 (no total são 88 cenários) considerando %
de diferentes tipos de minérios (T1, T2...T4) e % de pelota.
Cenário Minério T1 (%) Minério T2 (%) Minério T3 (%) Minério T4 (%) Pelota (%)
1 0 45 0 0 55
2 45 0 0 0 55
3 0 50 0 0 50
4 25 25 0 0 50
5 38 13 0 0 50
6 23 23 0 0 55
7 20 20 0 0 60
8 30 30 0 0 40
9 28 28 0 0 45
10 24 24 0 0 53
11 15 15 0 0 70
12 18 18 0 0 65
13 16 16 8 0 60
14 20 0 20 0 60
15 20 10 10 0 60
16 12 12 6 0 70
17 15 8 8 0 70
18 8 8 15 0 70
19 14 7 14 0 65
20 11 11 14 0 65
Tabela IV.4: Exemplos de 20 cenários do AF2 (no total são 147 cenários) considerando
% de diferentes tipos de minérios (T1, T2...T7) e % de pelota.
Normalmente os cenários vão se modificando ao longo dos meses e dos anos. Por
exemplo: para o AF2, os cenários de 1 a 10 correspondem ao ano 2003. Os cenários 11
a 16 pertencem ao ano 2004, e assim por diante. Os últimos cenários, em termos de
numeração, pertencem ao último ano.
Para cada cenário foram obtidas as médias e os desvios-padrão das variáveis: consumo
de carvão vegetal de topo, produção e taxa de injeção, separados (por um método
qualitativo) por períodos de chuva (meses de janeiro, fevereiro, março, novembro e
dezembro) e de seca (meses de abril, maio, junho, julho, agosto, setembro e outubro).
Isso porque a operação dos altos-fornos muda muito com a utilização de carvão vegetal
com maior teor de umidade. A geração de finos aumenta com a saída de água dentro dos
altos-fornos e a degradação do carvão vegetal, tornando os altos-fornos menos
permeáveis. Além disso, a utilização de carvão vegetal úmido reduz a temperatura do gás
de topo, prejudica a produtividade e aumenta o consumo de carvão vegetal.
Os modelos foram divididos em duas etapas: “Etapa 1”, com dados de 2003 a 2010, e
“Etapa 2”, com dados de 2003 a 2011.
testes de hipóteses dos parâmetros dos modelos para definir se era significativo ou não e
se deveria permanecer ou ser retirado do modelo.
Definido o melhor modelo para cada alto-forno, com maior coeficiente de determinação
R2 ajustado, o qual é utilizado como medida de ajuste de modelos, o próximo passou foi o
de elaborar gráficos de curvas de níveis. Essas curvas consideram a variação de duas
variáveis nos eixos x e y, baseando-se em valores reais já utilizados nos altos-fornos, e
como resposta, a variável “Consumo de Carvão Vegetal de Topo” (kg/t gusa),
visualmente diferenciada por cores nas curvas de nível e quantificada em intervalos de
valores. As demais variáveis dos modelos foram fixadas.
Com o objetivo de facilitar a utilização das informações obtidas com os gráficos das
curvas de níveis para os planejamentos macro mensais e anuais de produção de ferro-
gusa e consumo de carga ferrosa e carvão vegetal dos altos-fornos, foram elaborados
modelos de regressão com base nos pontos médios de cada um desses gráficos.
Primeiro, foram elaborados modelos para prever o “Percentual de Pelotas” em função da
“Produção Diária (t) de Ferro-Gusa”. Depois, foram elaborados modelos para prever o
“Consumo de Carvão Vegetal de Topo” (kg/t gusa) em função do “Percentual de Pelotas”
utilizado na carga ferrosa total.
46
5. RESULTADOS E DISCUSSÃO
Para análise descritiva dos dados de 2003 a 2011 dos altos-fornos da Vallourec Tubos do
Brasil, foram utilizados gráficos de intervalo de 95% de confiança para a média,
construídos no software estatístico MINITAB 16 (MINITAB, 2010), sob a suposição de
normalidade dos dados (cerca de 3.000 dados no total). Os dados também estão
apresentados em formato de tabelas, separados por período de chuva e seca, e contém
as principais informações de estatísticas descritivas: média, desvio-padrão (d.p.) e
tamanho de amostra (n).
A Tabela V.1 e os gráficos da Figura 5.1 mostram a “Produção Média Diária de Ferro-
Gusa (t)” durante o período estudado. Em 2009 observa-se uma queda na produção em
função principalmente à situação de crise econômica nesse período. Em 2010 e 2011, as
produções continuaram menores, reflexo ainda da situação econômica e dos planos de
produção da empresa voltados para menor produção, porém com produtos mais
elaborados, para atender ao mercado. As diferenças entre os períodos de chuva e seca
podem estar ligadas a diversos fatores, como: demandas de produção, diferentes cargas
ferrosas, interferência da qualidade das matérias-primas na produtividade dos altos-
fornos, dentre outros.
47
Tabela V.1: Estatísticas descritivas da produção diária de ferro-gusa (t) dos altos-fornos
da Vallourec Tubos do Brasil.
1200
Produção (t)
1100
1000
900
800
Período
u v a eca a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
u v sec
s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 0 8 09 10 11
20 20 20 20 20 20 20 20 20
600
550
Produção (t)
500
450
400
350
300
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Figura 5.1: Evolução da produção diária de ferro-gusa (t) dos altos-fornos da Vallourec
Tubos do Brasil.
49
Desde 2007, os valores de consumo de carvão vegetal de topo têm sido menores, o que
é consequência do aumento da taxa de injeção de finos de carvão vegetal a partir deste
período. A operação dos altos-fornos da Vallourec Tubos do Brasil com maiores taxas de
injeção a partir de 2007 ocorreu principalmente devido às mudanças de comportamento e
operacionais com a adequação de padrões associados a três investimentos: i) nova
instalação de moagem (Moagem III); ii) início de operação da Unidade de Peneiramento
de Carvão Vegetal (UPC) em Paraopeba; e iii) projeto de dupla lança de injeção no Alto-
Forno 1.
Observam-se também nos dois altos-fornos que, durante o período de seca, o consumo
de carvão vegetal de topo é menor e a taxa de injeção é maior. O teor de umidade das
matérias-primas, do carvão vegetal em especial, é um dos fatores que justifica essa
diferença.
50
Tabela IV.2: Estatísticas descritivas do consumo de CV de topo (kg/t gusa) dos altos-
fornos da Vallourec Tubos do Brasil.
560
Consumo CV Topo (kg/t)
540
520
500
480
460
440
420
Período a a a a a a a a a a a a a a a a a a
u v sec uv sec uv sec uv sec uv sec uv sec uv sec uv sec u v sec
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
630
Consumo CV Topo (kg/t)
605
580
555
530
505
480
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Tabela V.3: Estatísticas descritivas da taxa de injeção de CV (kg/t gusa) dos altos-fornos
da Vallourec Tubos do Brasil.
190
180
Injeção (kg/t)
170
160
150
140
130
120
Período
u v a eca a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
uv sec
a a
u v sec
s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 0 8 09 10 11
20 20 20 20 20 20 20 20 20
170
160
150
Injeção (kg/t)
140
130
120
110
100
90
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Figura 5.3: Evolução da taxa de injeção de CV (kg/t gusa) dos altos-fornos da Vallourec
Tubos do Brasil.
54
76
Carbono Fixo (%)
75
74
73
72
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Figura 5.4: Evolução do teor de carbono fixo do carvão vegetal consumido nos altos-
fornos da Vallourec Tubos do Brasil.
3,0
2,5
Cinzas (%)
2,0
1,5
1,0
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Figura 5.5: Evolução do teor de cinzas do carvão vegetal consumido nos altos-fornos da
Vallourec Tubos do Brasil.
59
6,5
6,0
Umidade(%)
5,5
5,0
4,5
4,0
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
40
Tamanho Médio (mm)
38
36
34
32
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Figura 5.7: Evolução do tamanho médio do carvão vegetal consumido nos altos-fornos
da Vallourec Tubos do Brasil.
60
4
Finos (%)
1
Período a ca a ca a ca
uv uv uv v a ec a v a ec a uv
a ca uv
a ca uv
a ca v a ec a
se se se u s u s se se se u s
ch ch ch ch ch ch ch ch ch
Ano 03 04 05 06 07 08 09 10 11
20 20 20 20 20 20 20 20 20
Figura 5.8: Evolução do percentual de finos do carvão vegetal consumido nos altos-
fornos da Vallourec Tubos do Brasil.
50% % Minério T5
40% % Minério T4
% Minério T3
30%
% Minério T2
20%
% Minério T1
10%
0%
2003 2004 2005 2006 2007 2008 2009 2010 2011
Figura 5.9: Diversidade da carga ferrosa utilizada pelos altos-fornos da Vallourec Tubos
do Brasil.
62
A Figura 5.10 mostra a qualidade química do mix da carga ferrosa dos altos-fornos, em
termos de teores de ferro (%), alumina (%) e sílica (%). A qualidade do mix nos últimos
três anos tem variado muito. Nos últimos dois anos, a carga ferrosa apresentou menor
teor de ferro e maior teor de sílica. Isso em função da nova frente de lavra do minério de
ferro que apresenta maior quantidade de itabirito e menor quantidade de hematita na
composição.
Al2O3 (%)
65,0
SiO2 (%)
Fe (%)
64,5 3,0
64,0
2,0
63,5
63,0
1,0
62,5
62,0 0,0
2004
2005
2006
2010
2011
2003
2007
2008
2009
Fe (%) Al2O3 (%) SiO2 (%)
Al2O3 (%)
3,0
SiO2 (%)
Fe (%)
65,0
2,5
64,5
2,0
64,0
1,5
63,5 1,0
63,0 0,5
62,5 0,0
2004
2005
2006
2010
2011
2003
2007
2008
2009
Figura 5.10: Evolução dos teores de ferro, alumina e sílica da carga ferrosa dos altos-
fornos da Vallourec Tubos do Brasil.
64
Após avaliar a situação atual de amostragem de carvão vegetal e minério de ferro, foram
identificados os pontos mais problemáticos, alguns com ações imediatas, outros com
ações a serem desenvolvidas dentro do projeto, e foram levantadas as principais
necessidades dos altos-fornos (cliente).
Com base nas normas técnicas estudadas, na literatura e nas boas práticas de empresas
benchmark, foi elaborado um novo procedimento de preparação das amostras de carvão
vegetal, resumido na Figura 5.11:
Análise Granulométrica
Britagem
Homogeneização
Divisor
Jones
1º Quarteamento (80mm)
Contra-prova Quarteamentos
Para avaliar os impactos das alterações realizadas nos métodos de coleta e preparação
das amostras de carvão vegetal, foram repetidos os experimentos de balanço de massa e
de planejamento hierárquico. Os resultados amostrais apresentaram maior coerência
quando comparados com os resultados dos experimentos de balanço de massa. Para os
experimentos de planejamentos hierárquicos, a Tabela V.5 resume as informações de
variabilidade (variância) inerente à amostragem para cada um dos parâmetros avaliado
com os métodos anterior e proposto obtidos com o método ANOVA Hierárquica.
Após revisar os procedimentos operacionais com base nas normas técnicas e nas
melhores práticas de amostragem de minério de ferro, e tomar ações de melhoria no
fluxo de recebimento e beneficiamento, um segundo experimento similar ao primeiro foi
realizado. A Tabela V.6 resume as informações do antes (amostra coletada em pilha) e
depois da revisão dos procedimentos no melhor ponto escolhido para avaliar a qualidade
66
codificadas (nível mais alto de cada variável = 1; nível médio = 0; nível mais baixo = -1),
estão mostrados a seguir:
As Figuras 5.12 e 5.13 apresentam os gráficos dos resíduos padronizados dos modelos.
Resíduo é a diferença entre o valor ajustado pelo modelo e o valor real do banco de
dados. Resíduo padronizado é o valor do resíduo dividido pelo desvio-padrão de todos os
resíduos. Para verificar se os resíduos seguem uma distribuição Normal, utilizam-se os
gráficos “Probabilidade Normal” e “Histograma”, sendo que no primeiro gráfico o perfil
esperado é o de uma reta, e, no segundo, o de um sino. Para verificar a aleatoriedade
dos resíduos em torno do valor zero, utiliza-se o gráfico “Resíduos X Valores Ajustados”.
Para verificar se a variabilidade dos resíduos é constante, utiliza-se o gráfico “Resíduos X
Ordem”. Esses dois últimos gráficos precisam apresentar pontos aleatórios, sem nenhum
padrão definido.
Os perfis dos gráficos apresentados nas Figuras 5.12 e 5.13 atendem aos requisitos de
normalidade, média em torno de zero e variância constante, validando os pré-requisitos
da metodologia.
70
Resíduos Padronizados
99
90 2
Percentual
50 0
10
-2
1
0,1 -4
-4 -2 0 2 4 600 660 720 780 840
Resíduos Padronizados Valores A justados
Resíduos Padronizados
20 4
15 2
Frequência
10 0
5 -2
0 -4
-3 -2 -1 0 1 2 3 1 1 0 20 30 4 0 5 0 60 70 8 0 9 0 00 10 2 0 3 0 4 0 50
1 1 1 1 1 1
Resíduos Padronizados
Ordem da Observação
99
2
90
Percentual
0
50
10 -2
1
0,1 -4
-4 -2 0 2 4 600 650 700 750 800
Resíduos Padronizados Valores A justados
20
2
Frequência
15
0
10
-2
5
0 -4
-3 -2 -1 0 1 2 3 1 20 40 60 80 100 120 140 160 180 200
Resíduos Padronizados Ordem da Observação
Essas curvas permitem ter uma estimativa imediata do custo e são usadas
estrategicamente em frente às ofertas e oportunidades no mercado de pelota e minério
de ferro com retorno financeiro imediato a fim de se alcançar melhores resultados
econômicos.
Para o Alto-Forno 2, exemplos das curvas de níveis podem ser visualizadas nas Figuras
5.18 e 5.19, chuva e seca respectivamente, considerando a produção diária de ferro-gusa
variando de 400 a 600t (de 100 em 100t) e mantendo fixas as demais variáveis do
modelo.
Para construir gráficos de curvas de níveis como os mostrados nas Figuras 5.14 a 5.19,
os eixos x e y precisam contemplar faixas de valores reais de operação e as demais
variáveis do modelo de superfície de resposta precisam ser fixadas. Como exemplo de
interpretação das curvas de níveis, para produzir 800t/dia (valor fixo) de ferro-gusa no
Alto-Forno 1 em período de chuva, pode-se usar de 22 a 53,5% de pelota, com taxa de
injeção de carvão vegetal variando de 159,4 a 178,7kg/t gusa. Para esses valores, o
gráfico mostra que à medida que se aumentam a porcentagem de pelotas e a taxa de
injeção de carvão vegetal, menor será o consumo de carvão vegetal de topo. Nesse
exemplo, o consumo de carvão vegetal de topo está variando de 486 a 504kg/t gusa.
O aumento da taxa de injeção de finos, até o limite que proporcione uma boa taxa de
substituição e não reduza a permeabilidade, também beneficiam a redução do consumo
de carvão vegetal de topo. Principalmente em conjunto com um sistema de injeção que
permite uma melhor distribuição do carvão pulverizado por lança e garante um melhor
fluxo de gases e calor no interior do forno.
73
187,0
Consumo
cv bruto
184,2
média
Consumo CV Topo (kg/t)
(kg/t)
181,5
167,6
164,9
162,1
22,0 27,3 32,5 37,8 43,0
Pelota (%)
173,2 486
700 – 488
705
488
705 – 490
710
490
710 – 492
715
170,4 492
715 – 494
720
494
720 – 496
725
496
725 – 498
730
167,6 498
730 – 500
735
500
735 – 502
740
502
740 – 504
745
164,9 > 504
745
162,1
159,4
22,0 27,3 32,5 37,8 43,0 48,3 53,5
Pelota (%)
174,2
169,9 Consumo cv
bruto média
Consumo CV Topo (kg/t)
(kg/t)
165,6
Taxa de Injeção (kg/t)
< 490710,0
710,0
490 – 494 720,0
161,4 720,0
494 – 498 730,0
730,0
498 – 502 740,0
157,1 740,0
502 – 506 750,0
750,0
506 – 510 760,0
760,0
510 – 515 770,0
152,8 770,0
515 – 519 780,0
780,0
519 – 523 790,0
148,5 790,0
523 – 527 800,0
> 527800,0
144,3
140,0
32,5 37,8 43,0 48,3 53,5 58,7 64,0
Pelota (%)
Figura 5.14: Curvas de níveis do Alto-Forno 1 (chuva) com produção diária variando de
700 a 900t de ferro-gusa – “Etapa 1”.
74
166,9
163,5 Consumo
cv bruto
média
160,1
140,0
32,5 37,8 43,0 48,3 53,5 58,7 64,0
Pelota (%)
164,9
Consumo cv
162,1 bruto média
Consumo CV Topo (kg/t)
(kg/t)
Taxa de Injeção (kg/t)
< 486700,0
159,4
486 – 490
700,0 710,0
490 – 494
710,0 720,0
156,6 494 – 498
720,0 730,0
498 – 502
730,0 740,0
153,8 740,0 506
502 – 750,0
750,0
506 – 510760,0
151,1 510 – 515
760,0 770,0
770,0
515 – 519 780,0
148,3 780,0
519 – 523 790,0
790,0
523 – 527800,0
145,5 > 527800,0
142,8
43,0 48,3 53,5 58,7 64,0
Pelota (%)
162,1
159,4 Consumo
cv bruto
média
156,6
Taxa de Injeção (kg/t)
Consumo(kg/t)
CV Topo (kg/t)
< 478
680
153,8 680 – 482
478 690
690 – 486
482 700
700 – 490
486 710
151,1
710 – 494
490 720
720 – 498
494 730
148,3 730
498 – 502
740
740 – 506
502 750
145,5 750 – 510
506 760
760 – 515
510 770
770
515 – 780
519
142,8 > 519
780
140,0
48,3 53,5 58,7 64,0
Pelota (%)
Figura 5.15: Curvas de níveis do Alto-Forno 1 (chuva) com produção diária variando de
1.000 a 1.200t de ferro-gusa – “Etapa 1”.
75
175,9
Consumo cv
173,2 bruto média
159,4
156,6
1,0 11,5 22,0 32,5
Pelota (%)
175,9
Consumo cv
bruto média
170,4 Consumo CV(kg/t)
Topo (kg/t)
Taxa de Injeção (kg/t)
< 470
660,0
470 – 474
660,0 670,0
164,9 670,0 478
474 – 680,0
680,0 482
478 – 690,0
482 – 486
690,0 700,0
159,4 486 – 490
700,0 710,0
490 – 494
710,0 720,0
720,0 498
494 – 730,0
730,0
498 – 502
740,0
153,8
502 – 506
740,0 750,0
506 – 510
750,0 760,0
> 510
760,0
148,3
159,4
Consumo cv
bruto média
156,6 Consumo CV Topo (kg/t)
Taxa de Injeção (kg/t)
(kg/t)
< 470660,0
660,0 – 474
470 670,0
153,8 670,0 – 478
474 680,0
680,0 – 482
478 690,0
486
690,0 – 700,0
482
700,0 – 490
486 710,0
151,1
710,0 – 494
490 720,0
720,0 – 498
494 730,0
730,0 – 502
498 740,0
148,3 740,0 – 506
502 750,0
750,0 – 510
506 760,0
> 510760,0
145,5
Figura 5.16: Curvas de níveis do Alto-Forno 1 (seca) com produção diária variando de
700 a 900t de ferro-gusa – “Etapa 1”.
76
173,2
Consumo
167,6 cv bruto
167,6
Consumo cv
bruto média
Taxa de Injeção (kg/t)
Consumo (kg/t)
CV Topo (kg/t)
162,1 < 461640,0
461 – 465
640,0 650,0
465 – 470
650,0 660,0
470 – 474
660,0 670,0
474 – 478
670,0 680,0
156,6
478 – 482
680,0 690,0
482 – 486
690,0 700,0
486 – 490
700,0 710,0
710,0
490 – 494 720,0
151,1 720,0
494 – 498 730,0
730,0
498 – 502 740,0
> 502740,0
145,5
43,0 48,3 53,5 58,7 64,0
Pelota (%)
170,4
164,9 Consumo cv
bruto média
Taxa de Injeção (kg/t)
Consumo(kg/t)
CV Topo (kg/t)
< 445
600,0
159,4 600,0
445 – 453620,0
620,0
453 – 461640,0
640,0
461 – 470660,0
660,0
470 – 478680,0
153,8 680,0
478 – 486700,0
486 – 494
700,0 720,0
494
> 720,0
148,3
142,8
48,3 53,5 58,7 64,0
Pelota (%)
Figura 5.17: Curvas de níveis do Alto-Forno 1 (seca) com produção diária variando de
1.000 a 1.200t de ferro-gusa – “Etapa 1”.
77
157,6
151,2
144,8
106,3
7,0 16,8 26,6 36,4
Pelota (%)
138,3
131,9
Taxa de Injeção (kg/t)
125,5 Consumo
CV Bruto
média
119,1 Consumo(kg/t)
CV Topo (kg/t)
< 556
750
556
750 – 559
755
112,7 559
755 – 563
760
563
760 – 566
765
566
765 – 570
770
106,3
770 – 573
570 775
775 >
573 – 577
780
577
> 780
99,8
93,4
21,7 26,6 31,5 36,4
Pelota (%)
119,1
Taxa de Injeção (kg/t)
Consumo CV
112,7 Bruto média
Consumo CV Topo (kg/t)
(kg/t)
< 549740,0
740,0
549 – 556 750,0
106,3 750,0
556 – 563 760,0
760,0
563 – 570 770,0
770,0
570 – 577 780,0
99,8 780,0
577 – 584 790,0
> 584790,0
93,4
87,0
36,4 41,3 46,2 51,1 56,0
Pelota (%)
Figura 5.18: Curvas de níveis do Alto-Forno 2 (chuva) com produção diária variando de
400 a 600t de ferro-gusa – “Etapa 1”.
78
160,8
154,4 Consumo CV
128,7
164,0
157,6
Consumo
151,2 CV Bruto
Taxa de Injeção (kg/t)
média
Consumo CV Topo (kg/t)
(kg/t)
144,8 < 503
675
675 – 514
503 690
690
514 – 705
524
138,3
705 – 535
524 720
720 – 545
535 735
131,9 735 – 556
545 750
750 – 566
556 765
765
566 – 780
577
125,5
780 – 587
577 795
> 587
795
119,1
112,7
16,8 21,7 26,6 31,5 36,4 41,3 46,2
Pelota (%)
154,4
148,0 Consumo CV
Taxa de Injeção (kg/t)
Bruto média
Consumo (kg/t)
CV Topo (kg/t)
141,5 < 514
690,0
514 – 521
690,0 700,0
521 – 528
700,0 710,0
135,1 528 – 535
710,0 720,0
535 542
720,0 – 730,0
542 – 549
730,0 740,0
128,7 > 549
740,0
122,3
115,9
Figura 5.19: Curvas de níveis do Alto-Forno 2 (seca) com produção diária variando de
400 a 600t de ferro-gusa – “Etapa 1”.
79
Após definir o plano de produção diária de ferro-gusa dos altos-fornos, calcula-se qual o
percentual de pelotas a ser utilizado no Alto-Forno 1 utilizando o modelo da Figura 5.20, e
do Alto-Forno 2 utilizando o modelo da Figura 5.21.
1100
1000
Produção (t)
900
y = 14,05x + 243,47
R² = 0,95
800
700
600
30 35 40 45 50 55 60 65
Pelota (%)
500
450
y = 8,57x + 189,37
400 R² = 0,91
350
300
250
200
0 5 10 15 20 25 30 35 40 45 50 55 60
Pelota (%)
550
Chuva
525 y = -1,81x + 601,92
R² = 0,77
500
475
Seca
450 y = -3,32x + 636,87
R² = 0,96
425
400
30 35 40 45 50 55 60 65
Pelota (%)
Figura 5.22: Estimativa do consumo de carvão vegetal de topo (kg/t gusa) do Alto-Forno
1 em função do percentual de pelotas na carga ferrosa – “Etapa 1”.
625
Chuva
600
y = -1,80x + 639,55
R² = 0,92
575
550
Seca
525 y = -2,04x + 612,09
R² = 0,90
500
475
450
5 10 15 20 25 30 35 40 45 50 55 60
Pelotas (%)
Figura 5.23: Estimativa do consumo de carvão vegetal de topo (kg/t gusa) do Alto-Forno
2 em função do percentual de pelotas na carga ferrosa – “Etapa 1”.
82
O primeiro passo foi correlacionar todas as variáveis duas a duas. Foram selecionadas as
variáveis que apresentaram maior impacto no consumo de carvão vegetal e descartadas
as variáveis com baixo ou nenhum impacto. Também foram excluídas as variáveis que
apresentavam alto índice de correlação com alguma variável dentre as já selecionadas
para o modelo a fim de evitar o problema de multicolinearidade (problema comum em
regressões onde as variáveis independentes possuem relações lineares exatas ou
aproximadamente exatas).
Diferente da “Etapa 1”, na qual havia uma variável binária “período” para identificar se era
período de chuva ou seca, na “Etapa 2” foram ajustados modelos separados para os
períodos de chuva e para os períodos de seca. Isso porque, ao trabalhar com um número
maior de variáveis, havia uma limitação computacional - o MINITAB 16 (MINITAB, 2010)
apresenta um limite para o número de variáveis em modelos de superfície de resposta - e
optou-se por eliminar a variável “período”.
As Figuras 5.24 a 5.27 apresentam os gráficos dos resíduos padronizados dos modelos
mostrando que os mesmos atenderam aos requisitos de normalidade, média em torno de
zero e variância constante.
O resíduo padronizado é a diferença entre o valor ajustado pelo modelo e o valor real do
banco de dados, dividido pelo valor do desvio-padrão dos resíduos puros. Para verificar
se os resíduos seguem uma distribuição Normal, utilizam-se os gráficos de
“Probabilidade Normal” e o “Histograma”, sendo que no primeiro gráfico o perfil esperado
é o de uma reta, e, no segundo, o de um sino. Para verificar a aleatoriedade dos resíduos
em torno do valor zero utiliza-se o gráfico “Resíduos X Valores Ajustados”, e, para
verificar se a variabilidade dos resíduos é constante, o gráfico “Resíduos X Ordem”.
Esses dois últimos gráficos precisam apresentar pontos aleatórios, sem nenhum padrão
definido.
90 2
Percentual
1
50
0
10
-1
1
-2 -1 0 1 2 600 650 700 750 800
Resíduos Padronizados Valores A justados
12 2
Frequência
1
8
0
4
-1
0
-1 0 1 2 1 10 20 30 40 50 60 70 80
Resíduos Padronizados Ordem da Observação
Resíduos Padronizados
90 1,5
Percentual
50 0,0
10 -1,5
1 -3,0
-3,0 -1,5 0,0 1,5 3,0 600 640 680 720 760
Resíduos Padronizados Valores A justados
Resíduos Padronizados
16
12 1,5
Frequência
8 0,0
4 -1,5
0 -3,0
-2 -1 0 1 2 1 10 20 30 40 50 60 70 80
Resíduos Padronizados Ordem da Observação
99
90 2
Percentual
50 0
10
-2
1
0,1 -4
-4 -2 0 2 4 600 700 800 900
Resíduos Padronizados Valores A justados
30 4
2
Frequência
20
0
10
-2
0 -4
-3,2 -1,6 0,0 1,6 3,2 1 10 2 0 30 4 0 50 6 0 70 8 0 90 0 0 10 2 0 30 4 0
1 1 1 1 1
Resíduos Padronizados
Ordem da Observação
Resíduos Padronizados
99
90 2
Percentual
50
0
10
1 -2
0,1
-4 -2 0 2 4 600 660 720 780 840
Resíduos Padronizados Valores A justados
Resíduos Padronizados
4
20
Frequência
15 2
10 0
5
-2
0
-2 -1 0 1 2 3 1 10 2 0 30 4 0 50 6 0 70 8 0 90 0 0 10 2 0 30 4 0
1 1 1 1 1
Resíduos Padronizados
Ordem da Observação
Chuva:
Taxa de injeção = valor de 160 a 180kg/t gusa (varia conforme a produção)
Carbono fixo do carvão vegetal = 75,7% (resultado médio de 2011)
Tamanho médio do carvão vegetal = 34,8mm (resultado médio de 2011)
Seca:
Taxa de injeção = valor de 185 a 195kg/t gusa (varia conforme a produção)
Carbono fixo do carvão vegetal = 75,7% (resultado médio de 2011)
Finos de carvão vegetal = 2,6 % (resultado médio de 2011)
Alumina da carga ferrosa = 1,2% (resultado médio de 2011).
Também nas Figuras 5.28 a 5.30, é possível perceber que a combinação ótima para um
menor consumo de carvão vegetal de topo é a de maior porcentagem de pelota, que,
consequentemente, também tem um maior teor de ferro.
64,8
CV Usina
Consumo CV Topo (kg/t)
(Kg/t)Média
64,2 < 476
660
476
660 – 485
690
690 – 495
485 720
720 – 504
495 750
Fe (%) 63,6 750 – 513
504 780
513
780 – 523
810
523
810 – 532
840
532
840 – 541
870
63,0 > 541
870
Valores Fixados:
Injeção (kg/t) Média 180
62,4 Produção (t) Média 700
Carbono Fixo (%) Média 75,7
TM (mm) Média 34,8
28 34 40 46 52 58
Pelota (%)
65,2
CV Usina
Consumo CV Topo (kg/t)
(Kg/t)Média
64,8 < 473
650,0
473 – 479
650,0 670,0
479 – 485
670,0 690,0
485 – 492
690,0 710,0
64,4
Fe (%)
492 – 498
710,0 730,0
498 504
730,0 – 750,0
750,0
504 – 510770,0
64,0 > 510
770,0
63,6
Valores Fixados:
Injeção (kg/t) Média 180
63,2 Produção (t) Média 800
Carbono Fixo (%) Média 75,7
TM (mm) Média 34,8
56
Pelota (%)
750 – 510
504 770
63,5
> 510
770
63,0
Valores Fixados:
62,5 Injeção (kg/t) Média 180
Produção (t) Média 900
Carbono Fixo (%) Média 75,7
62,0 TM (mm) Média 34,8
28 34 40 46 52 58 64
Pelota (%)
Figura 5.28: Curvas de níveis do Alto-Forno 1 (chuva) com produção diária variando de
700 a 900t de ferro-gusa – “Etapa 2”.
90
Valores Fixados:
63,6 Injeção (kg/t) Média 180
Produção (t) Média 1000
Carbono Fixo (%) Média 75,7
63,2
TM (mm) Média 34,8
28 34 40 46 52 58 64
Pelota (%)
482
680 – 485690
485
690 – 488700
63,5 488
700 – 492710
> 492
710
Valores Fixados:
63,0 Injeção (kg/t) Média 180
Produção (t) Média 1100
Carbono Fixo (%) Média 75,7
TM (mm) Média 34,8
62,5
46 49 52 55 58 61 64
Pelota (%)
CV Usina
64,5 Consumo CV Topo (kg/t)
(Kg/t)Média
< 429
560
429
560 – 437
580
437
580 – 445
600
64,0 445
600 – 453
620
Fe (%)
453
620 – 461
640
461
640 – 470
660
> 470
660
63,5
Valores Fixados:
Injeção (kg/t) Média 175
Produção (t) Média 1200
63,0 Carbono Fixo (%) Média 75,7
TM (mm) Média 34,8
62,5
43,0 48,3 53,5 58,7 64,0
Pelota (%)
Figura 5.29: Curvas de níveis do Alto-Forno 1 (chuva) com produção diária variando de
1.000 a 1.200t de ferro-gusa – “Etapa 2”.
91
CV Usina
Consumo CV Topo (kg/t)
(Kg/t)Média
64,5
< 467,0
670
467,0
670 – 473,5
732
473,5
732 – 484,5
794
64,0 794 – 494,5
484,5 856
Fe (%) Média
856 – 502,5
494,5 918
918 – 510,0
502,5 980
63,5 980 – 516,0
510,0 1042
1042 – 521,5
516,0 1104
> 521,5
1104
63,0
Valores Fixados:
Injeção (kg/t) Média 195
62,5 Produção (t) Média 700
Carbono Fixo (%) Média 75,7
Finos (%) Média 2,6
Al2O3 (%) Média 1,2
62,0
0,8 6,1 11,4 16,7 22,0 27,3 32,5
Pelota (%)
CV Usina
Consumo CV Topo (kg/t)
(Kg/t)Média
64,0
< 477,0
700,0
700,0 – 481,5
477,0 750,0
481,5
750,0 – 490,0
800,0
Fe (%) Média
490,0
800,0 – 497,5
850,0
63,5
497,5
850,0 – 504,0
900,0
504,0
900,0 – 510,0
950,0
> 510,0
950,0
63,0
Valores Fixados:
Injeção (kg/t) Média 190
Produção (t) Média 800
Carbono Fixo (%) Média 75,7
62,5 Finos (%) Média 2,6
Al2O3 (%) Média 1,2
62,0
0,8 6,1 11,4 16,7 22,0 27,3
Pelota (%)
1300,00 – 542,0
536,5 1400,00
64,5
> 542,0
1400,00
62,5
22,0 27,3 32,5 37,8 43,0 48,3 53,5
Pelota (%)
Figura 5.30: Curvas de níveis do Alto-forno 1 (seca) com produção diária variando de
700 a 900t de ferro-gusa – “Etapa 2”.
92
AF2 - Consumo CV Topo (kg/t) X Carbono Fixo (%) - Produção = 300t (CHUVA)
77,0
76,5 Consumo
ConsumoCVCVMdTopo (kg/t)
76,0 < 589,7
740
Carbono Fixo (%)
740 – 750
589,7 593,1
750 – 596,5
593,1 760
75,5 760 – 601,6
596,5 770
770 – 605,0
601,6 780
> 605,0
780
75,0
Valores Fixados:
74,5 Produção Md 300
Cinzas (%) média 1,3
74,0 Umidade redutor (%) média 4,1
TM cv (mm) média 31,7
73,5
AF2 - Consumo CV Topo (kg/t) X Carbono Fixo (%) - Produção = 350t (CHUVA)
77,0
76,5 Consumo
ConsumoCVCV
MdTopo (kg/t)
< 571,0
700
76,0 571,0
700 – 576,1
720
Carbono Fixo (%)
576,1
720 – 586,3
740
586,3
740 – 594,8
760
75,5
> 594,8
760
73,5
Figura 5.31: Curvas de níveis do Alto-Forno 2 (chuva) com produção diária variando de
300 a 400t de ferro-gusa – “Etapa 2”.
93
AF2 - Consumo CV Topo (kg/t) X Carbono Fixo (%) - Produção = 500t (CHUVA)
77,0
76,5 Consumo
ConsumoCVCV
MdTopo (kg/t)
< 559,1
660
76,0 660 – 550,6
559,1 665
Valores Fixados:
74,5
Produção Md 500
Cinzas (%) média 1,3
74,0 Umidade redutor (%) média 4,1
TM cv (mm) média 31,7
73,5
AF2 - Consumo CV Topo (kg/t) X Carbono Fixo (%) - Produção = 600t (CHUVA)
77,0
76,5 Consumo
ConsumoCVCV
MdTopo (kg/t)
< 503,0
590
76,0 590 – 506,4
503,0 600
Carbono Fixo (%)
600 – 513,2
506,4 610
610 – 620
513,2 520,0
75,5
620 – 526,8
520,0 630
> 526,8
630
75,0
Valores Fixados:
Produção Md 600
74,5 Cinzas (%) média 1,3
Umidade redutor (%) média 4,1
TM cv (mm) média 31,7
74,0
73,5
Figura 5.32: Curvas de níveis do Alto-Forno 2 (chuva) com produção diária variando de
500 a 600t de ferro-gusa – “Etapa 2”.
As Figuras 5.31 e 5.32 mostraram que quanto maior o percentual de pelotas na carga
ferrosa, menor será o consumo de carvão vegetal no topo. No entanto, o teor de carbono
fixo no carvão vegetal, não mostrou ser um parâmetro muito significativo para o consumo
de carvão vegetal de topo. Outros parâmetros que não foram considerados nesse
trabalho, como resistência mecânica e densidade, poderiam ter mostrado uma melhor
relação.
94
1100
1000
Produção (t)
900
y = 13,55x + 280,83
R² = 0,95
800
700
600
30 35 40 45 50 55 60 65
Pelota (%)
500
450
y = 8,89x + 186,31
400 R² = 0,94
350
300
250
200
0 5 10 15 20 25 30 35 40 45 50 55 60
Pelota (%)
550
Chuva
525
y = -2,68x + 624,69
R² = 0,95
500
475
Seca
450 y = -2,83x + 608,47
R² = 0,97
425
400
30 35 40 45 50 55 60 65
Pelota (%)
Figura 5.35: Estimativa do consumo de carvão vegetal de topo (kg/t gusa) do Alto-Forno
1 em função do percentual de pelotas na carga ferrosa – “Etapa 2”.
625
Chuva
600
y = -1,84x + 639,31
575 R² = 0,93
550
Seca
525
y = -2,04x + 610,22
R² = 0,87
500
475
450
5 10 15 20 25 30 35 40 45 50 55 60
Pelotas (%)
Figura 5.36: Estimativa do consumo de carvão vegetal de topo (kg/t gusa) do Alto-Forno
2 em função do percentual de pelotas na carga ferrosa – “Etapa 2”.
97
A Figura 5.37 ilustra os fatores para as variáveis de qualidade dos minérios de ferro e da
pelota: umidade (%), ferro (%), alumina (%) e finos menores que 6,35mm (%). A Figura
5.38 ilustra os fatores para as variáveis de qualidade do carvão vegetal: umidade (%),
carbono fixo (%), cinzas (%) e finos menores que 10mm (%).
8,0 0,0
7,0 -0,2
Consumo de CV Topo (kg/t)
70,0 35,0
60,0 30,0
Consumo de CV Topo (kg/t)
40,0 20,0
10,0 5,0
0,0 0,0
0,5 1,0 1,5 2,0 2,5 1,0 2,0 3,0 4,0 5,0
Al2O3 (%) Finos < 6,35 (%)
35,0 0,0
30,0
-5,0
Consumo de CV Topo (kg/t)
25,0
20,0 -10,0
15,0 -15,0
CV CV
10,0
-20,0
5,0
0,0 -25,0
1,0 2,0 3,0 4,0 5,0 1,0 2,0 3,0 4,0 5,0
Umidade (%) Carbono Fixo (%)
18,0 20,0
16,0 18,0
16,0
Consumo de CV Topo (kg/t)
14,0
14,0
12,0
12,0
10,0
10,0
8,0
CV 8,0 CV
6,0
6,0
4,0 4,0
2,0 2,0
0,0 0,0
0,5 1,0 1,5 2,0 2,5 1,0 2,0 3,0 4,0 5,0
Cinzas (%) Finos <10mm (%)
Tais fatores são utilizados para corrigir as estimativas de consumo de carvão vegetal de
topo dos modelos elaborados no item 5.4 caso as qualidades reais das cargas ferrosas
ou do carvão vegetal apresentem valores diferentes dos que foram considerados para a
elaboração dos modelos.
A Figura 5.39 apresenta o gráfico das diferenças médias entre os consumos reais de
carvão vegetal de topo, de janeiro de 2010 a dezembro de 2012 e os valores estimados
pelas curvas elaboradas nas “Etapas 1 e 2” que permitem a validação dos modelos.
Observa-se que tanto os modelos desenvolvidos na “Etapa 1” quanto na “Etapa 2”
apresentaram resultados bem satisfatórios, sendo as diferenças médias de 2,1% e de
0,8%, respectivamente.
3,0%
2,5%
2,1%
Diferenças (%)
2,0%
1,5%
1,0%
0,8%
0,5%
0,0%
-0,5%
Etapa 1 Etapa 2
Figura 5.39: Diferenças entre os consumos de carvão vegetal de topo reais x estimativas
dos modelos desenvolvidos nas “Etapas 1 e 2”.
100
6. CONCLUSÕES
A partir de 2013, os novos modelos elaborados na “Etapa 2”, que consideram os mesmos
dados da “Etapa 1” atualizados até 2011 e, além deles, correlacionam a qualidade e
heterogeneidade das matérias-primas, substituíram os modelos da “Etapa 1” para a
definição de metas. Com eles, está sendo possível avaliar o impacto da qualidade das
matérias-primas e do carvão vegetal sobre o consumo de carvão vegetal dos altos-
fornos, além de prever o custo e avaliar o atendimento em relação à margem que a
empresa quer para sua estrutura interna de custo.
FLINT, R. V. Multiple correlation of blast furnace variables. In: BLAST FURNACE, COKE
OVEN AND RAW MATERIALS CONFERENCE, 11, 1952. Proceedings…AIME, 1952, p.
49-73 apud TAMBASCO, M. J. (ed.). Redução de minério de ferro em alto-forno. 4.ed.
São Paulo: Associação Brasileira de Metais, 1977.
GAO, C., CHEN, J., ZENG, J., LIU, X., SUN, Y. A chaos-based iterated multistep
predictor for blast furnace ironmaking process. AIChE Journal, v.55, n.4, p947s-962s,
April 2009.
LIAN, P., NING, N., AIPING, C., YAOBIN, T. Fault diagnosis of the blast furnace based on
the Bayesian network model. In: INTERNATIONAL CONFERENCE ON ELECTRICAL
AND CONTROL ENGINEERING, 2010. Proceedings… IEEE Computer Society, 2010,
p.990-993.
LIU, X., AN, T. Mathematical modeling of closed-loop intelligent control for b.f iron-making
process. In: INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION
TECHNOLOGY AND AUTOMATION, 14, 2011. Proceedings... IIEE Computer Society,
2011, p.438-441.
MINITAB. 2010. Minitab for Windows [Minitab-Inc, USA] Versão 16. English Ink Copyright
[C]
NETER, J., WASSERMAN, W., KUTNER, M. H. Applied Linear Statistical Models. Second
Edition. Irwin Inc: 2008.
PAN, W., LIU, S., ZENG, J., GAO, C. A refined prediction model of silicon content based
on the Kalman Filter. In: CHINESES CONTROL CONFERENCE, 29, 2010, Beijing.
Proceedings… Beijing: 2010, p.3153-3156.
QIU, D., ZHANG, D., YOU, W., ZHANG, N., LI, H. An application of prediction model in
blast furnace hot metal silicon content based on neural network. IEEE, p61s-64s, 2009.
SHUR, A. B. Dynamics models of blast furnace smelting for trainers and researchers.
metallurgist, Alchevsk, v.52, n.3-4, p141s-147, March 2008.
ZENG, J., LIU, X., GAO, C., LUO, S. Subspace method of identification and control of
blast furnace ironmaking process. In: AMERICAN CONTROL CONFERENCE, 2008,
Washington. Proceedings… AACC, 2008, p.2481-2485.
WELCH, G., BISHOP, G. An Introduction to the Kalman Filter. University of North Carolina
at Chapel Hill, Chapel Hill, NC, TR95-041, 2006.